Vektor verilənlər bazaları mətnin, şəkillərin və ya məhsulların ədədi təsvirləri olan yerləşdirmələri saxlayır və sorğuya mənaca ən yaxın olan elementləri tapır. Pinecone, Weaviate, Qdrant, Milvus və PostgreSQL üçün pgvector ümumi seçimlərdir. Onların dəyərini ölçmək texniki səviyyədə axtarış keyfiyyətini, sürəti və xərcləri izləmək, sonra isə bunları axtarış konversiyaları, çatbotun həlli və ya tövsiyə klikləri kimi biznes nəticələri ilə əlaqələndirmək deməkdir.
Marketinq komandaları vektor verilənlər bazaları ilə üç əsas yerdə qarşılaşırlar: dəqiq sözlərdən daha çox mənanı başa düşən sayt axtarışı, axtarışla genişləndirilmiş generasiya vasitəsilə şirkət sənədlərindən cavab verən AI köməkçiləri və məhsul və ya məzmun tövsiyələri. Hər üçündə verilənlər bazası müştərilər üçün görünməzdir. Məhz buna görə də onun öz ölçülməsinə ehtiyacı var; əks halda, zəif axtarış qatı üzərində qurulan hər şeyi səssizcə aşağı çəkir.
Yerləşdirmələr nədir və niyə ölçülməyə ehtiyac duyurlar?
OpenAI, Google, Cohere və ya sentence-transformers ailəsi kimi açıq mənbəli seçimlərdən olan yerləşdirmə modeli mətn parçasını rəqəmlər siyahısına çevirir. Oxşar mənalı mətnlər bir-birinə yaxınlaşır. Vektor verilənlər bazası daha sonra “hansı on yardım məqaləsi bu müştəri sualına ən yaxındır?” kimi suallara millisaniyələr ərzində cavab verir.
İki seçim keyfiyyəti müəyyən edir: yerləşdirmə modeli və məzmunun yerləşdirmədən əvvəl hissələrə necə bölünməsi. Türk dilini zəif işləyən model türk dili sorğuları üçün zəif uyğunluqlar tapacaq. Çox uzun hissələr bir neçə mövzunu qarışdırır; çox qısa hissələr isə konteksti itirir. Heç bir problem xəta mesajı kimi görünmür. Yalnız ölçmə bunu aşkar edir.
Hansı texniki KPI-lar axtarış keyfiyyətini göstərir?
Əvvəlcə test dəsti yaradın: hər biri insanın düzgün cavab olduğuna razılaşdığı sənədlər və ya məhsullarla cütləşdirilmiş real sorğuların siyahısı. Əlli-iki yüz sorğu əksər marketinq istifadə halları üçün məqbul başlanğıcdır. Sonra sistemi buna qarşı ölçün.
- k-da geri çağırma: düzgün elementin ilk k nəticədə göründüyü sorğuların payı, çox vaxt k 5 və ya 10-a bərabərdir.
- Orta qarşılıqlı dərəcə: ilk düzgün nəticənin orta hesabla nə qədər yüksək göründüyü.
- k-da dəqiqlik: əslində uyğun olan ilk k nəticənin payı.
- 95-ci persentildə gecikmə: yavaş sorğuların nə qədər vaxt apardığı, sadəcə orta göstərici deyil.
- Min sorğu başına xərc: yerləşdirmə çağırışları, verilənlər bazası istifadəsi və hər hansı yenidən sıralama modeli.
Yerləşdirmə modelini, hissə ölçüsünü və ya indeks parametrlərini hər dəyişdirdiyinizdə test dəstini yenidən işə salın. Konfiqurasiyada kiçik görünən dəyişiklik geri çağırmanı hər iki istiqamətdə nəzərəçarpacaq dərəcədə dəyişə bilər.
Təxmini axtarış güzəştləri
Əksər vektor verilənlər bazaları HNSW kimi təxmini ən yaxın qonşu indekslərindən istifadə edir ki, bu da böyük sürət qazancları üçün bir az dəqiqliyi qurban verir. HNSW-də ef_search kimi parametrlər bu balansı idarə edir. Tənzimləyərkən geri çağırma və gecikməni birlikdə ölçün; birini maksimuma çatdırmaq adətən digərinə zərər verir.
Hansı biznes KPI-ları verilənlər bazasını dəyərlə əlaqələndirir?
Texniki göstəricilər mühəndisləri inandırır. Büdcələr biznes göstəriciləri əsasında təsdiqlənir. İstifadə halına uyğun olanları seçin.
- Sayt axtarışı: axtarışdan çıxma dərəcəsi, sıfır nəticə dərəcəsi, axtarışdan istifadə edən sessiyaların konversiya dərəcəsi, axtarış sessiyası başına gəlir.
- RAG köməkçisi: həll dərəcəsi, düzgün istinad edilmiş mənbəyi olan cavabların payı, ötürmə dərəcəsi, təkrar əlaqə dərəcəsi.
- Tövsiyələr: tövsiyə olunan elementlərə klikləmə dərəcəsi, tövsiyələrdən səbətə əlavə etmə, ziyarətçi başına gəlir.
- Məzmun kəşfi: əlaqəli məzmun modullarından sessiya başına səhifələr, təkrar ziyarətlər.
Sıfır nəticə dərəcəsi izləmək üçün sürətli qələbədir. Açar söz axtarışı çox vaxt sinonimlər və ya yazım səhvləri üçün heç nə qaytarmır. Semantik axtarış bunu kəskin şəkildə azaltmalıdır. Əgər belə deyilsə, dil dəstəyini və məhsul məlumatlarının ümumiyyətlə yerləşdirilib-yerləşdirilmədiyini yoxlayın.
İdarə paneli necə qurulmalıdır?
İki qatdan istifadə edin. Mühəndislik qatı geri çağırmanı, gecikməni, xəta dərəcəsini və xərcləri izləyir, ideal olaraq verilənlər bazasının öz monitorinqindən və test dəstinin planlaşdırılmış işə salınmasından. Biznes qatı, GA4 və Looker Studio və ya BI alətinizdə, yuxarıdakı nəticə göstəricilərini izləyir.
Onları paylaşılan hadisə ilə birləşdirin. Sayt axtarışı üçün GA4 hadisəsini sorğu, nəticələrin sayı və axtarış növü, semantik və ya açar söz ilə göndərin. Bu, nəticələri axtarış növünə görə müqayisə etməyə və semantik nəticələrin zəif olduğu sorğuları aşkar etməyə imkan verir.
Hansı səhvlər vektor layihələrini olduğundan daha yaxşı göstərir?
Yalnız asan sorğularda test etmək ən çox yayılmışdır. Əgər test dəsti sistemi quran şəxs tərəfindən yazılıbsa, o, məzmunun öz ifadələrini əks etdirməyə meyllidir. Bunun əvəzinə axtarış jurnallarından və dəstək biletlərindən real sorğuları, o cümlədən yazım səhvlərini və qarışıq dilləri çəkin.
İkincisi, təravəti görməməzlikdən gəlməkdir. Məhsullar tükəndikdə və ya məqalələr yeniləndikdə, yerləşdirmələr yenilənməlidir. İndeks gecikməsini izləyin: məzmun dəyişikliyi ilə onun yenilənmiş vektoru arasındakı vaxt. İstehsalı dayandırılmış məhsulları təklif edən tövsiyə modulu etibarı tez bir zamanda sarsıdır.
Üçüncüsü, açar söz bazasını atlamaqdır. BM25 kimi açar söz uyğunluğunu vektor oxşarlığı ilə birləşdirən hibrid axtarış, məhsul adları və kodları üçün çox vaxt saf vektor axtarışını üstələyir. Qərar verməzdən əvvəl hər ikisini ölçün.
Xərclər necə miqyaslanır?
Xərclər üç yerdən gəlir: məzmun əlavə edildikdə və ya dəyişdirildikdə yerləşdirmələrin yaradılması, vektorların saxlanması və sorğuların işlədilməsi. Pinecone kimi idarə olunan xidmətlər istifadə və ya tutum üzrə qiymətləndirilir; Qdrant və ya pgvector kimi öz-özünə yerləşdirilən seçimlər xərcləri öz serverlərinizə və işçi vaxtınıza köçürür. Kiçik miqyasda, mövcud PostgreSQL verilənlər bazası daxilində pgvector çox vaxt ən ucuz yoldur.
Yerləşdirmə ölçüsü saxlama və sürətə təsir edir. Bəzi cari modellər məhdud keyfiyyət itkisi ilə yerləşdirmələri qısaltmağa imkan verir. Milyonlarla element üçün tam ölçülü vektorları saxlamaq üçün pul ödəməzdən əvvəl test dəstinizə qarşı daha kiçik bir ölçünü sınayın.
Alien Road vektor verilənlər bazalarını və yerləşdirmələri necə tətbiq edir
Tipik bir əməkdaşlıqda kəşfiyyat istifadə halı və məzmunla başlayır: məhsul kataloqu, yardım mərkəzi, bloq arxivi və ya hər üçü. Biz axtarış jurnallarından və biletlərdən real sorğuları toplayırıq və müştərinin komandası ilə etiketlənmiş test dəsti yaradırıq.
Quraşdırma müştərinin dillərini idarə edən yerləşdirmə modelinin seçilməsini, hissə ölçülərinin sınaqdan keçirilməsini, onların yığınına uyğun verilənlər bazasının seçilməsini (PostgreSQL artıq yerində olduqda çox vaxt pgvector), və hibrid axtarışın test dəstində saf vektor axtarışına qarşı müqayisə edilməsini əhatə edir.
Hesabat iki qatlı modeli izləyir: geri çağırma, gecikmə və xərclərin aylıq texniki yoxlanışı və layihədən asılı olaraq axtarış konversiyası, köməkçi həlli və ya tövsiyə gəlirinin biznes idarə paneli.
Bu həftə haradan başlamaq lazımdır
Sayt axtarışınızdan və ya dəstək qutunuzdan ilk iki yüz sorğunu ixrac edin. Sıfır nəticəli sorğuları və çıxışa səbəb olanları qeyd edin. Bu siyahı həm test dəstinizin başlanğıcı, həm də daha yaxşı axtarışın nəyi düzəltməli olduğunun aydın mənzərəsidir.
Sonra onlardan əlli-si üçün düzgün cavabı etiketləyin. Bu kiçik dəstlə, infrastruktur üçün xərcləməzdən əvvəl, bir gün ərzində istənilən vektor quraşdırmasını cari axtarışınızla müqayisə edə bilərsiniz.
Oxumağa davam edin: Süni intellekt optimallaşdırması · Süni intellekt optimallaşdırması